Como Terrence Tao se tornou um entusiasta da IA na matemática

Terrence Tao não mudou de ideia sobre a IA: ele nunca acreditou que ela substituiria matemáticos, mas sim que sua utilidade prática, até então limitada, começou a se materializar de forma concreta em 2024–2026. O que o fez virar entusiasta foi ver modelos deixarem de ser curiosidades teóricas e passarem a resolver problemas reais com impacto histórico: AlphaGeometry dominando geometria olímpica, AlphaProof atingindo nível de medalha de ouro na IMO, e, mais recentemente, uma IA da OpenAI resolvendo um problema de Erdős aberto há 80 anos, algo que nenhum humano conseguiu fazer sozinho. Tao observa que o salto não está na 'inteligência' abstrata da máquina, mas na combinação eficaz entre modelos de linguagem, motores simbólicos (como Lean) e feedback humano contínuo, exatamente o tipo de workflow que ele defende como futuro da pesquisa matemática.

Esses avanços não são isolados: em fevereiro de 2026, a startup Axiom resolveu quatro problemas em aberto com o AxiomProver; em abril, uma IA chinesa provou uma conjectura de álgebra comutativa em 80 horas usando duplo agente (raciocínio + verificação formal); e em junho, o LeanMarathon formalizou sete teoremas de Erdős sem erros. O que une todos eles é o mesmo princípio que Tao destaca: decomposição. A IA não pensa como um matemático, mas executa milhares de subpassos com precisão, desde busca bibliográfica até teste de hipóteses, liberando o pesquisador para o que ainda é insubstituível: escolher o problema certo, interpretar o inesperado e julgar o significado.

Isso muda como novos matemáticos serão formados, como artigos são escritos e como colaborações interdisciplinares se estruturam. Ferramentas como Wolfram Alpha, Lean e até ChatGPT já estão sendo usadas rotineiramente em pós-graduações de matemática nos EUA e Europa, não como atalhos, mas como co-autores operacionais. O risco real não é a obsolescência do pesquisador, mas a assimetria de acesso: quem tem acesso a essas ferramentas integradas (e sabe orquestrá-las) avança mais rápido, enquanto quem depende só de métodos tradicionais fica para trás. Tao alerta que o novo 'atrito cognitivo' não está em resolver, mas em saber quando confiar, e quando desconfiar, do que a máquina gera.